L'intégration de données et l'interopérabilité sémantique sont indispensables pour permettre de nouvelles découvertes scientifiques qui pourraient émerger du rapprochement des différentes données disponibles. Les terminologies, vocabulaires et ontologies jouent un rôle central pour structurer les données d’un domaine et les rendre interopérables. Dans cet axe nous nous intéressons aux ontologies (alignement, gestion, métadonnées, cycle de vie) et aux données liées (annotation, liage, représentation, indexation sémantique) :

● L'alignement d'ontologies a pour but la découverte des correspondances sémantiques entre des ontologies, devient une tâche cruciale pour résoudre le problème d'hétérogénéité dans les applications du Web sémantique. Nous avons proposé de nouvelles mesures de similarité efficaces afin de comparer les étiquettes et les profils d'entités et leur contexte Nous appliquons également une méthode d'appariement de graphes appelée propagation de similarité au niveau de la structure qui découvre des correspondances en exploitant des informations structurelles des entités. Afin d'écarter les correspondances incohérentes, nous avons conçu une nouvelle méthode de filtrage sémantique [hal-01411573v1]. Enfin, un article de synthèse de l'ensemble de ces travaux sur le sujet de l'alignement d'ontologies a donné lieu à une publication dans la revue JWS [hal-01411159v1]. L’un des problèmes posés est de pouvoir aligner d’une façon incrémentale de nouvelles ontologies et d’intégrer leur évolution (croissance, fusion) dans le contexte dynamique du web sémantique. De manière synthétique, les défis sont liés à : la prise en compte de l’imprécision des données [lirmm-01350553], la prise en compte de données multi-langues à travers des ontologies, mais aussi des bases de connaissances lexico-sémantiques [lirmm-01615473], la production d’alignements complexes, la prise en compte des niveaux de granularités hétérogènes, l’utilisation de la connaissance a priori (ou background knowledge [lirmm-01350553]).

• Nous avons poursuivi nos travaux dans le domaine de l'alignement d'ontologies en explorant une nouvelle approche qui est basée sur l'utilisation de bases de connaissances pour améliorer la qualité de l'alignement. En effet, les approches traditionnelles s'appuient uniquement sur le contenu des ontologies à aligner. Cependant, ces approches sont moins efficaces lorsque des concepts équivalents ont des étiquettes différentes et sont structurés avec différentes points de vue de modélisation. Pour surmonter cette hétérogénéité sémantique, la communauté s'est tournée vers l'utilisation de ressources externes de connaissances. Tout d'abord, nous aons appliqué cette approche en utilisant le réseau sémantique BabelNet pour aligner des ontologies multilingues ; les résultats obtenus sont très prometteurs lirmm-01408025v1. Par ailleurs, nous avons proposé une approche pour la sélection de ressources externes en fonction des ontologies à aligner [lirmm-01407888v1]. Dans sa thèse, Amina Annane traite ce problème de manière intensive dans le domaine dans le domaine biomédical où il existe de nombreuses ressources externes en étudiant les deux questions sous-jacentes de la sélection de ressources externes et de son exploitation pour l'alignement d'ontologies tel-02092875v1. Elle a proposé une approche pour sélectionner et construire une ressource de connaissance avec les concepts idoines choisis parmi un ensemble d'ontologies, afin d'augmenter l'efficacité sans perte d'efficacité. Un article sur la question de la sélection de ressources externes et de son utilisation pour l'alignement a été publié dans la revue Journal of Web Semantics [hal-01809627v1].

• D'autre part, nous étudions un ensemble de problèmes autour des données ouvertes et liées (Linked Open Data - LOD). Les travaux menés pendant la thèse de Mohamed Ben Ellefi visent à l'amélioration de l'accessibilité et l'usage des données ouvertes par des méthodes avancées de publication, d’interconnexion et de recommandation de jeux de données pertinents pour l’interconnexion [lirmm-01350553], [tel-01785362v1]. Tout d'abord, nous nous intéressons à la recommandation de vocabulaire pour l'enrichissement sémantique et le partage des données. Un outil appelé "Datavore" a été développé dans lors de cette thèse [lirmm-01408036v1]. Cet outil a pour objet de recommander des termes de vocabulaire. Il repose sur l´écosystème des Vocabulaires Ouverts Liés (Linked Open Vocabulary- LOV) pour l’acquisition des vocabulaires existants et leurs métadonnées. Par ailleurs, nous avons proposé une approche basée sur la notion de profil de jeux de données pour la recommandation de jeux de données [lirmm-01408037v1]. Cette première approche est basée sur le filtrage collaboratif, qui exploite à la fois les profils thématiques des jeux de données, ainsi que les mesures de connectivité traditionnelles, afin d’obtenir un graphe englobant les jeux de données du LOD et leurs thèmes. Le point faible de cette approche est qu'elle nécessite d’apprendre le comportement de la connectivité des jeux de donnés dans le graphe représentant le LOD (Linked Open Data). Or ce graphe est loin d'être complet. Pour éviter ce problème, notre équipe a proposé une nouvelle approche pour l’identification des jeux de donnés candidats qui exploite le chevauchement des profils intensionnels entre les différents jeux de données lirmm-01408036v1. Par ailleurs, un article état de l'art sur les profiles de jeux de données a été accepté à la revue internationale Semantic Web Journal [hal-01987355v1]. Le deuxième problème que nous avons étudié consiste à découvrir les entités associées par le lien d'identité (donné par le prédicat OWL owl: sameAs) à travers de deux jeux de données avec une application dans le domaine musical dans le cadre de l'ANR DOREMUS [hal-01894663]. C'est le sujet principal de la thèse de Manel Achichi [tel-01810363v1], [hal-01987332]. Cependant, une entité du monde réel donnée peut être décrite différemment dans différentes sources de données. Par conséquent, la découverte automatique de liens d'identité peut devenir difficile compte tenu de cette hétérogénéité. Un article faisant un état de l'art dans le domaine a été publié dans [hal-01407854v1]. Dans le cadre de cette thèse, Legato — un outil générique de liage automatique de données hétérogènes, a développé et expérimenté pendant le domaine musical. Cet outil est basé sur la notion de profil d’instance permettant de représenter chaque ressource comme un document textuel de littéraux gérant une variété d’hétérogénéités de données sans l’intervention de l’utilisateur. Legato implémente également une étape de filtrage de propriétés dites problématiques permettant de nettoyer les données du bruit susceptible de rendre la tâche de comparaison difficile. Legato a participé avec succès à la campagne d'évaluation OAEI 2017 [hal-01987686v1]. Un article faisant la synthèse des travaux menées dans cette thèse a été publié dans la revue Journal of Web Semantics [hal-01987332v1]. Dans le cadre du montage du projet ANR-DFG franco-allemand, nous avons pu construire un large graphe de connaissance contenant des informations sur des assertions et leur méta-données dans l'espace médiatique et sociale qui vise à aider les travaux de vérification de faits ou fact-checking (ClaimsKG https://data.gesis.org/claimskg/site/).

● Au sein des projets SIFR (Indexation Sémantique de Ressources de données biomédicales Francophones – ANR JCJC & H2020 Marie Curie), PractiKPharma (ANR) et AgroPortal (soutiens des PIA NUMEV & IBC) nous nous intéressons aux questions relatives à la gestion de la connaissance, en particulier via l’utilisation d’ontologies pour l’intégration, l’annotation et l’indexation sémantique des données générées. En partenariat avec l’Université de Stanford, nous développons et maintenons deux portails d’ontologies qui nous permettent d’attaquer des problèmes de recherche complexes tels que le traitement de la langue, l’alignement d’ontologies, l’annotation sémantique, l’ingénierie ontologique, tout en étant pilotés par des scénarios d’applications concrets dont les impacts en santé et agronomie sont mesurables. Le SIFR BioPortal (http://bioportal.lirmm.fr) [hal-01398250] est une plateforme ouverte et générique pour l’hébergement d’ontologies et de terminologies biomédicales françaises ainsi que le SIFR Annotator, un outil d’annotation sémantique pour traiter des données biomédicales textuelles en français [lirmm-01934127][lirmm-01680514]. Par exemple, cet outil est capable de détecter le contexte d’une annotation au sein de notes cliniques (e.g., est-ce qu’une condition est observée ou non observée, est-ce que c’est le patient qui est concerné ou quelqu’un d’autre, qu’elle est la temporalité d’une annotation) [lirmm-01656834]. Nous exploitons ces outils pour aider les chercheur/cliniciens à traiter leurs données dans leurs études (collaboration avec l’Hôpital Européen G. Pompidou dans le projet ANR PractiKPharma). Le projet AgroPortal (http://agroportal.lirmm.fr), a pour l’objectif d’offrir un portail d’ontologies et de vocabulaires de référence pour l’agronomie et la biodiversité [lirmm-01679502]. Ce projet est particulièrement fédérateur pour plusieurs institutions de recherche de Montpellier (INRA, CIRAD, IRD, CGIAR) et a un impact national et international reconnu. Le projet AgroPortal continue au sein de FADO dans le cadre de l’ANR D2KAB et est un composant important au sein de deux soumissions en cours de projet EU H2020 dans le cadre de l’implémentation de l’European Open Science Cloud.

● Dans le cadre du projet CEPS, portant sur les interventions non médicamenteuses dans le domaine de la santé, ces plateformes ont été exploitées et des méthodologies de transformation des données et de construction collaborative ont été proposées [lirmm-01383168]. Un début d’ontologies des interventions non médicamenteuses a été proposé (http://bioportal.lirmm.fr/ontologies/INM) et sert désormais de référentiel pour la description des données de la plateforme CEPS. Également la réflexion couplant les sciences juridiques et les thématiques de l’équipe FADO est menée en lien avec le projet CommonData de la MSH Sud cherchant à comprendre et poser les bases de la production et de la valorisation de “communs de la recherche” issus des données scientifiques. Ce travail avec l’équipe FADO est actuellement mené dans le contexte des fonctions de Vice-Présidente de l'Université de Montpellier déléguée à la science ouverte et aux données de la recherche d’Anne Laurent et de l’implication de C. Jonquet pour la mise en place d’une formation à destination des collègues scientifiques non informaticiens ou juristes.

La massification des données conduit, depuis quelques années, à la prise en compte de nouveaux modèles de gestion et de traitement des données. Au sein de l’équipe FADO, nous étudions en particulier deux thématiques, l’une dédiée aux graphes de propriétés, l’autre dédiée aux lacs de données. Ces travaux s’inscrivent dans des projets, partenariats et thèses.

La gestion des données ouvertes repose sur le modèle conceptuel RDF. Dans nos travaux, nous explorons l’utilisation de graphes de propriété pour exploiter de telles données de manière efficace. Les bases de données orientées graphes (NoSQL par exemple) permettent de gérer des données dans lesquelles les liens sont importants et des requêtes complexes sur ces données à l’aide d’un environnement dédié offrant un stockage et des traitements spécifiquement destinés à la structure de graphe. Un graphe de propriété dans un environnement NoSQL est alors vu comme un graphe orienté étiqueté dans lequel les étiquettes des noeuds et les relations sont des ensembles d’attributs (propriétés) de la forme (clé:valeur). Il s’agit alors de construire les modalités de réécriture d’un modèle à l’autre, comme cela a été étudié dans [lirmm-01381087]. Ces modèles sont alors étendus pour intégrer des capacités d’analyse de données, notamment pour la découverte des structures sous-jacentes à l’aide de résumés flous permettant de mieux prendre en compte les grandes tendances [lirmm-01381083]. La découverte de structures sous-jacentes dans les grandes bases graphes est également étudiée par l’extraction de motifs graduels, notamment le travail de thèse de Faaiz Shah dont une partie a été publiée dans [lirmm-02085780]. Ces motifs permettent d’extraire automatiquement les informations corrélées. Une première contribution est alors de définir quels sont les motifs pouvant être extraits à partir de telles bases de données. Nous devons, dans un deuxième temps, étendre les travaux existant dans la littérature pour traiter les valeurs manquantes dans les bases de données graphe. En effet, de telles bases de données peuvent être assimilées à des bases NoSQL semi-structurées dans lesquelles toutes les propriétés ne sont pas présentes partout, ce qui conduit à des valeurs non présentes de manière homogène, soit parce que la valeur n’est pas connue (l’âge d’une personne par exemple) ou parce qu’elle n’est pas applicable (l’année du service militaire d’une femme par exemple dans un pays et à une époque à laquelle les femmes ne le faisaient pas) L’application de telles méthodes est alors rendue difficile car les propriétés classiquement appliquées en fouille de données (anti-monotonie) ne sont plus valides. Nous proposons donc une nouvelle approche qui est testée sur des données réelles et synthétiques. Notre approche est étendue au cas des motifs graduels flous afin de mieux prendre en compte la nature imprécise des connaissances présentes et à extraire. Dans le cadre de la thèse de Dickson Owuor (financement de l’Ambassade de France au Kenya), la dimension temporelle est ajoutée aux motifs recherchés afin de permettre l’exploration de données environnementales et agricoles de manière plus pertinente. Les premiers résultats ont fait l’objet d’une publication dans [lirmm-02085779].

De manière complémentaire aux graphes de propriété, nous étudions les lacs de données comme une possibilité de gestion des données en amont de la phase d’ouverture et d’exploitation des données. Le concept, émergent, a donné lieu à des outils commerciaux avant que les communautés académiques s’en emparent. Nous avons ainsi pu proposer une définition (thèse de Cédrine Madéra, data architect IBM) parue dans [lirmm-01399005] et qui a été ensuite étendue pour intégrer la question de la gravité des données et de la conception assistée des lacs à travers ses composants, en nous appuyant sur l’analyse formelle de concepts en lien avec M. Huchard (équipe MAREL). Le domaine d’application de l’agriculture, très présent au sein de FADO, a été étudié à travers la vision “lac de données” dans [hal-01847697]. Un ouvrage est en cours de parution sur le concept des lacs de données. Favorisant la préparation de croisements de données, les lacs de données sont au coeur des projets O-LiFE et HUT (ainsi que des projets RIDER et HPPC décrits en annexe). O-LiFE est un observatoire de l’environnement dédié à l’étude des ressources et de la biodiversité dans la zone critique à la vie, focalisé sur la méditerranée. Il est co-porté par le CNRS français et le CNRS libanais. Il vise à structurer, partager, pérenniser et valoriser les données environnementales. FADO participe au projet pour chercher des réponses aux utilisateurs finaux et aux producteurs de données qui ne partagent pas les mêmes besoins. Des environnements de gestion de données d’observations sont proposés, basés sur des ontologies partagées et des standards d’échange de données de capteurs. Ils ont pour but d’une part de permettre l’interopérabilité entre observatoires et d’autre part de permettre la prise en compte de points de vue distincts sur les données via des multi-mapping pour découpler la vision initiale du producteur de données et les multiples utilisations possibles des données. Le projet s’appuie depuis 2019-2010 sur un projet PHC Cèdre. Le projet HUT (HUman at Home ProjecT) d’“appartement observatoire", initié par A. Foucaran (IES, UMR 5214) et M. Depincé (Dynamiques du droit, UMR 5815), réunit de nombreux acteurs très divers, institutionnels (13 laboratoires de recherche) et entreprises (Enedys, IKEA, ...), pour imaginer l’appartement du futur et poser les questions associées : collecte de données, enjeux juridiques face aux données captées, exploitation des données, etc. FADO participe au projet pour réfléchir à la représentation des données internes et externes (données ouvertes) pour permettre leur exploitation dans un environnement sécurisé. Le projet est financé par la Région Occitanie et la Métropole de Montpellier. Soulignons que le projet HUT est très interdisciplinaire, incluant les SHS, et s’inscrit ainsi dans un ancrage très fort de l’équipe FADO en ce sens. C’est d’ailleurs à travers 2 projets PEPS de la MITI - Mission pour les Initiatives Transverses et Interdisciplinaires du CNRS que le LIRMM a été financé sur ce projet. Il est hébergé au sein de la MSH Sud (Maison des Sciences de l’Homme - les Sciences Unies pour un autre Développement) comme le sont d’autres projets sur lesquels des membres de FADO collaborent : CommonData, NumeRev, COGITHON. Cogithon est une plateforme d’émergence de projets en Sciences Humaines et Sociales centrée sur les interactions Homme/environnement pour l’adaptation de l’homme en situation de handicap cognitif. Cogithon associe trois unités de recherche à travers ses porteurs du projet : EPSYLON, LIRMM, LGI2P.

L’équipe FADO aborde la problématique de la traçabilité et de la sécurité sous l’angle des données. L’augmentation des transactions et des volumes de données a mis en évidence la nécessité de se doter de techniques, algorithmes et outils permettant de s’assurer de la fiabilité, de la traçabilité et de la sécurité des données. Des travaux ont donc été effectués sur cet axe.

● La détection de fraudes est étudiée dans le cadre de systèmes de base de données NoSQL orientées graphes [lirmm-01398978v1]. Les comportements malhonnêtes font référence à des anomalies comportementales pouvant survenir dans les activités humaines et pouvant ainsi être extraites de données générées par l'homme. Dans cet article, nous essayons de montrer que les bases de données graphes NoSQL sont un outil utile à cet effet.

● La génération d’un moteur de règles floues pour détection de comportement suspects dans le cadre de blockchain [Hal:lirmm-02085775]. La transformation numérique a conduit au fait que presque toutes les organisations et sociétés disposent de réseaux privés internes et gèrent des données et des applications sensibles. Dans ce contexte, les administrateurs système sont des super utilisateurs qui peuvent accéder à tout ce matériel sensible. Comme il est connu que de nombreuses fraudes sont causées par des actions internes, nous affirmons qu'il est important de disposer de systèmes de journalisation automatisés puissants, même pour les superutilisateurs. À cette fin, les blockchains constituent une solution efficace, car ils ne peuvent pas être écrasés par les administrateurs système. Cependant, comme il n’est pas efficace de stocker toutes les actions, nous introduisons un nouveau système basé sur des règles floues afin de gérer efficacement le système de journalisation du système dans une blockchain. Ces travaux dédiés aux nouveaux systèmes de traçabilité avec la blockchain ont été réalisés dans le cadre d’une collaboration avec l’entreprise chainHero.

● La conception de systèmes sécurisés a été étudiée dans le cadre du PEPS 3S de 2017 dédié au concept de tiers de confiance pour la mise en place de processus respectant la “privacy by design” dans le cadre du projet HUT (HUman at home ProjecT) et a donné lieu à l’organisation de séminaires interdiciplinaires et de la parution d’un ouvrage.

● Des liens ont été créés avec les équipes d’investigation numérique pénale. Michel Sala en est l’acteur principal au sein de l’équipe, par l’organisation des printemps de l’investigation numérique. Il a également créé un diplôme Universitaire d’investigation numérique pénale axé sur les problématiques liées au forensic ouvert en 2018.

YAM++ est un système d’alignement d’ontologies qui a obtenu le 1er rang à la compétition internationale sur l’alignement d’ontologies OAEI 2013. Ce prototype a été pris en charge par un ingénieur IE pour le développement d'une plateforme en ligne qui se trouve à http://yamplusplus.lirmm.fr. Le but étant d'en faire un logiciel exécutable en ligne afin qu'il devienne accessible au plus grand nombre d'utilisateurs. Le système comporte également un validateur d'alignement collaboratif. et un évaluateur. Notre plateforme stocke et offre des ressources à la communauté. On y trouve des ontologies et des alignements déjà validés. Cette dernière ressource est précieuse lorsque la validation est faite par des experts car les mappings résultats peuvent servir alors d'alignement de référence dans leur domaine. Cette plateforme est originale et inédite dans le domaine. En avril 2019, il y a près de 200 utilisateurs issus d'institution de recherche comme des entreprises et venant de plusieurs pays différents.

Mi-2015, en réutilisant la technologie du NCBO BioPortal, nous avons conçu AgroPortal (http://agroportal.lirmm.fr), un portail de vocabulaires et d’ontologies pour le domaine agronomique mais également pour les sciences de l’alimentation, des plantes et de la biodiversité. AgroPortal est un prototype avancé robuste et fiable qui permet l’hébergement d’ontologies, la recherche de concepts, la gestion des versions, la visualisation, les commentaires et qui supporte la recommandation d’ontologies. Il propose un outil d’annotation sémantique, stocke et exploite les alignements entre ontologies et tout ceci en respectant les technologies du Web sémantique. AgroPortal répond spécifiquement aux exigences de la communauté agronomique en termes de formats d’ontologies (e.g., vocabulaires SKOS et dictionnaires de traits) et de fonctionnalités (e.g., métadonnées et capacités d’annotation avancées). La version v1.4 d’AgroPortal a été publiée en juillet 2017. La plate-forme héberge actuellement 106 ontologies, dont plus des 2/3 ne sont présentes dans aucun portail d’ontologies similaire (comme NCBO BioPortal) et 7 ontologies privées. Nous avons identifié 90 autres ontologies candidates et nous travaillons chaque jour pour en importer de nouvelles tout en impliquant / informant les développeurs d’ontologies originales. La plateforme compte déjà plus de 100 utilisateurs enregistrés et certains vocabulaires sont visités plus de 100 fois par mois. Le code est disponible de manière ouverte à https://github.com/agroportal.

Dans le projet SIFR, nous construisons un workflow d’indexation basé sur les ontologies (i.e., French Annotator) similaire à celui qui existe pour les ressources en anglais, mais spécialisé pour le Français. Ce service est désormais disponible au sein d’un portail de 25 ontologies/terminologies biomédicales qui réutilisent la technologie NCBO BioPortal, développée à l’Université de Stanford. Les ontologies nous sont livrées par le groupe CISMeF du CHU de Rouen, ou extraites de l’UMLS ou directement téléchargées par les utilisateurs. Quand les ontologies sont multilingues, nous les connectons directement au NCBO BioPortal et traitons seulement le contenu en français. Le SIFR BioPortal a été mis en production en juin 2015 : http://bioportal.lirmm.fr et utilisé et amélioré depuis cette date. Il héberge le SIFR/French Annotator (http://bioportal.lirmm.fr/annotator), un Web service qui pour un morceau de texte donné retourne les concepts d’ontologies mentionnés directement dans ce texte ou expansés sémantiquement. Ce outil est utilisé dans plusieurs applications au sein des projets de recherche (e.g., ANR PractiKPharma) ou des collaborations (e.g., CHU de Nancy, INRIA Wimmics, projet SIDES 3.0). Le code est disponible de manière ouverte à https://github.com/sifrproject.

Legato est un système automatique et open source permettant de relier des graphes de connaissances RDF hétérogènes et divers. Legato permet de réduire les efforts de configuration de l'utilisateur en implémentant des méthodes efficaces de filtrage de données et de représentation d'instances. En particulier, le système est capable de lever des ambiguïtés entre instances distinctes mais très similaires dans leur description.

Coda est un prototype d'application Web utilisé pour valider facilement et rapidement des liens d'identité (de type owl:sameAs) manuellement. L'outil peut être utilisé par les développeurs d'ontologies ou les curateurs de jeux de données pour sélectionner manuellement les liens générés automatiquement.

Claims Explorer (https://data.gesis.org/claimskg/explorer/home) est un moteur de recherche qui permet de naviguer dans le graphe de connaissance ClaimsKG qui rassemble des informations sur une grande quantité d'assertions et leur meta-données extraites à partir de sites de fact-checking de référence. L'outil permet de créer des échantillons de données qui peuvent être utiles pour des tâches d'apprentissage automatique (pour le problème de vérification de faits) ou bien de validation et réproductibiltié de travaux de recherche dans le domaine de la sociologie computationnelle.